基于多特征组合的球形果蔬智能分选方法-朱黎辉.pdf
《基于多特征组合的球形果蔬智能分选方法-朱黎辉.pdf》由会员分享,可在线阅读,更多相关《基于多特征组合的球形果蔬智能分选方法-朱黎辉.pdf(6页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、ComputerEngineeringandApplications计算机工程与应用 2016,52(5) 173基于多特征组合的球形果蔬智能分选方法朱黎辉,李晓宁ZHU Lihui,LI Xiaoning四川师范大学计算机科学学院,成都610101College of Computer Science,Sichuan Normal University,Chengdu 6 1 0 1 0 1,ChinaZHU Lihui,LI XiaoningIntelligent sorting method for spherical fru its and vegetables based on co
2、mbined charac-teristicsComputer Engineering and Applications,2016,52(5):173-178Abstract:To improve the efficiency of the spherical fruits and vegetablessorting and reduce the cost of sorting,a newspherical fruits and vegetablessorting method based on multiple feature combination under the machine vi
3、sion technologyis proposedFor single feature describe image is uncomprehensive,a combinative feature model of color moments,Zernike moments and gray level CO-occurrence matrix is established,it is used to determine the comprehensive characteri-stics of fruits and vegetablesBefore the calculation of
4、Zernike moment,binary image edge extraction based on the Hcomponent threshold is carried outUsing BP neural network and support vector classifier for sorting the experimentalsamples respectively,by simulation experiments,the algorithm of multiple features combinationS feasibility and effectiveness i
5、s verifiedThe BP neural network and support vector machine classifierS sorting effect is contrasted and ana-lyzed,sorting rate both reaches more than 95Key words:color moments;Zernike moments;gray level COoccurrence matrix;support vector machine;fruits and vegetablessorting摘要:为提高球形果蔬分选效率以及降低分选成本,提出了
6、一种在机器视觉技术下球形果蔬多特征组合的智能分选方法。针对单一特征刻画图像特征不全面的问题,建立了颜色矩、Zernike矩、灰度共生矩阵三种特征的组合特征模型,用以确定果蔬的综合特征。Zernike矩在计算前进行了基于H分量阈值二值化图像边缘提取。利用BP神经网络和支持向量机构造分类器,分别对实验样本进行分选。通过仿真实验,验证了多特征组合算法的可行性和有效性,对比分析了BP神经网络和支持向量机分类器对分选效果的影响,分选率均达到了95以上。关键词:颜色矩;Zernike矩;灰度共生矩阵;支持向量机;果蔬分选文献标志码:A 中图分类号:TP39141 doi:103778jissn100283
7、31140302801 引言传统的水果分选,完全由人工来完成。现在采用的自动选果机,能在水果全自动传送过程中对水果进行称重分选,但这没有考虑到水果表面缺陷、形状怪异、颜色异常等情况,缺乏科学整体性的评判。运用机器视觉技术,模拟人工分选,可保证果蔬分选的准确性和客观性。基于机器视觉的果蔬分选技术,研究者们已开展了很多工作。Unay等提取苹果的结构和几何特征,使用统计分类器进行训练并分级,能达到935识别率Yimyam在计算机视觉基础上采用遗传规划技术对农产品进行分级n,。现有基于机器视觉的识别研究集中在对特定类别果蔬分级3-51或不同类别的水果分类6-Sl上,分类及分级同时实现的分选技术寥寥无几
8、。本文结合实际项目,利用基于机器视觉技术对球形果蔬进行分类与分级的分选识别。分选关键在于提取图像有效特征和分类器的设计。本文采用颜色矩p,、Zernike矩”町和灰度共生矩阵”特征,将所提取到的特征进行线性组合,构成组合特征向量。分别采用BP神经基金项11:四川省应用基础计JElJ(No2013JY0086);四川省科技创新苗子工程(No20132033)。作者简介:朱黎辉(1990一),女,硕士研究生,研究领域为图像处理与模式识别;李晓宁(1972一),男,博士,副教授,研究领域为图像处和模式识别,E-mail:lxnsicnueducn。收稿13期:20140320 修回日期:201405
9、13 文章编号:10028331(2016)05017306CNKI网络优先出版:2014-0815,http:wwwcnkinetkcmsdoi103778jissn1002833114030280html万方数据Computer Engineering andApplications计算机工程与应用网络”2I和支持向量机”进行果蔬分类器的设计。本文提出的方法解决了球形果蔬分类和分级同时处理的问题。2材料与分选流程21 材料获取由于目前尚无开放的水果图像数据库供研究人员使用,本文自行设计了果蔬拍摄装置采集果蔬图像,建立球形果蔬图像数据库。球形果蔬拍摄装置,如图1所示。其中相机机型为Canon
10、 EOS 60D,分辨率3 456x2 304,白平衡6500K,感光度400,像素800万。光源的光照强度保持在3000LUX,保障拍摄样本图像光照均匀,PC机上安装了管理采集图像的应用程序,拍摄图像经USB接口直接输入PC机。数码相机r 幽像采集箱光源一样本 lP(二j支撑装置I网l 球形果蔬I警I像拍摄装置首先由有经验的果农将统一采购来的苹果、番茄、江西天草柑进行分级,分别分为一等、二等、三等,每类每个等级分别由人工分选出10枚样本。然后采用上述拍摄装置获取图像。拍摄时,每个样本摆放角度方向有5个,分别为:蒂部正朝上、脐部正朝上、蒂部朝上左或右倾斜约30。、脐部朝上左或右倾斜约300、任
11、选侧面朝上,每个角度采集一张彩色图像。按此采集方案,采集苹果一、二、三等(APl,AP2AP3),番茄一、二、三等(TMl,TM2,TM3),天草一、二、三等(ORl,OR2,OR3)各50幅,共450幅图像。图像大小统一处理为1281283,JPG格式。图2给出部分采集到的水果彩色图像。删 艘 棚训TM: TM,删 眦 。R,图2部分球形果蔬图像22 分选流程图3为球形果蔬分选流程框架。对于训练图像,分别提取颜色矩,Zemike矩,灰度共生矩阵特征,然后进行特征组合,将组合特征放入果蔬特征数据库,利用分类器进行训练;对于测试图像,提取同样的组合特征,通过分类器分类,得到分选类别。I警I 3
12、球彤果蔬分选流程框架3图像特征提取31颜色矩特征提取图像颜色特征能对图像色彩信息进行有效的表达。颜色矩(Color Moments,CMs)因其不需要量化颜色空间及特征向量维数低,被广泛地用于图像颜色特征提取。本文使用图像的RGB空间。首先提取图像的R,G,B通道强度值,并对每个通道分别运用公式(1)求取该通道均值(Mean,Mn)以及标准方差(Standard deviation,Sd)。每张果蔬图像有3个颜色分量,每个分量有2个颜色矩,组合6个矩,得到图像的一个6维颜色矩特征。N Mn。=古,。,Sdi=(-拉(11一Mnf)2)l胆(i)一J=l J=I式中i为R。G,B,代表某个通道。
13、,表示图像第i颜色通道中第,像素点的灰度值,它的取值范围是0,255,是像素总个数。32 Zernike矩特征提取为对图像集进行精确分类,需提取图像旋转和尺度不变性的形状特征,且特征应有足够的辨别能力和噪声敏感度。因Zemike矩(Zemike Moments,ZMs)特征具有期望的属性,如旋转不变性,噪音鲁棒性,并能高效描述图像多层次的形状特征,所以本文使用ZMs视觉特征来表示果蔬图像的形状特征。基本操作步骤如图4所示。黼H嚣卜z。兰乏矩H篡勰i量ke图4 Zemike矩特征提取步骤(1)二值化图像。对待处理图像进行二值化,使前景区域像素值为l,背景区域像素值为0。直接对原图5(a)进行灰度
14、处理,再以灰度均值作为阈值进行全局二值化处理,结果如图5(b)所示。提取原图H(Hue)分量,并以其中位数作为阈值,进行二值化处理,效果如图5(C)所示。显然,第一种方法处理后图像的部分边缘信息丢失,不利于后期Zemike矩形状特征提取,因此本文采用第二种方法进行二值化。(2)计算Zemike矩。首先,根据式(2)的数学定义计算径向多项式,其中一是一个非负整数,代表径向多项式的阶数;m为正整数或负整数,代表方位角度的重万方数据朱黎辉,李晓宁:基于多特征组合的球形果蔬智能分选方法口口图5(a)原图 图5(b)灰度均 图5(c)H分量中值为阈值的二值 位数为阈值的二值化图像 化图像数。m和n需满足
15、nImI=even(偶数),ImI甩;k是一个计数值;f(x,Y)为图像的数字化矩阵形式,P为原点到(x,Y)点长度的矢量。艮。=如-荟ImV2(-1)砾而丽篙器丽户饱)其次,根据式(3)计算一个单位圆内的复数二维Zemike基函数。其中m、以及P同上;0为矢量P与z轴的夹角;R为式(2)计算所得;j取值为仃;e是自然对数函数的底数。Vn,m(p,臼)=尺(p)e“,Lol1 (3)“_,知棚(圳肿班杰肛肚肛q(4) 10,其他复数Zemike多项式满足如式(4)的正交性条件,其中表示共轭,正交性意味着不同阶数和重数的矩没有冗余或重叠信息,这属性对于图像来说,可保证每个矩的贡献是独立的。再次,
16、计算图像的Zemike矩。一个图像的r阶m重的Zemike矩在一个单位圆上,定义为式(5)。对数字图像,式(5)中的积分用求和代替。f(P,0)为目标图像f(x,Y)转换到极坐标下的单位圆内的采样矩阵。此步骤是将目标的重心作为极坐标的圆心,以圆心到目标区域内最外像素点的距离为半径。直角坐标到极坐标的转换为:x=pcosO,y=psinO。图6为图像从直角坐标系转换到极坐标系的直观图。z=睾rI:f(P,臼)叼,。(p,o)pdo (5)z=半几,y)。()=N一1N一1 一半f(x,y)R(p叫)eJm8xy (6)图6直角坐标系转换到极坐标系图最后,一幅像素为NxN图像的Zernike矩离散
17、表示为式(6),其中P。为原点到(x,y)点的长度矢量;为矢量P,与工轴的夹角;P旷0,的数学定义为式(7)和式(8)。J(2x-N+1)+(一12y)2p掣2矿一 (7)0N=tan-1(等等) (8)(3)组合Zernike矩特征向量。一幅二值化图像的形状特征可以用一组Zemike矩特征向量表示,低阶矩特征向量描述图像整体形状,高阶矩特征向量描述图像细节。为了兼顾高、低阶的矩,因此本文选择表l所列的Zernike矩来表示一幅果蔬图像的形状特征。表l 使用的Zemike矩特征Z 矩个数Z22Z3,z4:Z5 3计算表1所列的12个Zernike矩特征,然后将它们进行线性合并,组合成一个行向量
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 组合 球形 智能 分选 方法 朱黎辉
限制150内